深度学习笔记(6)：卷积神经网路CNN

点阵图分为两种：

黑白图: 0~255的灰阶值

彩色图: RGB三个值的範围分别是0~255。(黑色是0,0,0)、(白色是255,255,255)、红色是(255,0,0)

卷积运算：输入图片->过滤器(进行元素相乘加总)->特徵图(计算出数值)

池化运算：压缩和保留特徵图得重要资讯（会压缩特徵图尺寸）

输入层->卷积层->池化层->卷积层->池化层->全连接层(隐藏层)->输出层。

输入->卷积->启动函数->特徵图->池化->特徵图-> 平坦化
(将全部特徵图的矩阵转换成向量
)->全连接层->输出层。

CNN学的就是卷积层的权重(过滤器)，使用乱数初始过滤器的矩阵内容，然后用正向传播和反向传播学习权重后，过滤器可以自动辨识出图片所需萃取的特徵。

池化层的目的是压缩特徵图来提取最强的特徵，将特徵更明显的显示出来。池化运算会缩小特徵图的尺寸，如同将CNN的视野拉远，一开始只看到局部的点、线、角，最后拉大视野，看到全域特徵。

CNN的输入层、输出层和全连接层与 MLP
多层感知器相同，主要差异在于卷积层和池化层

卷积层学会局部后，就可以辨识出现在不同位置的图片；全连接层则是不同位置，都必须重新学习。

权重共享指的是每一个局部连接神经元都使用相同权重。

Stride(步幅)：图片从左至右、从上至下使用过滤器窗格的方框扫过图片执行运算，移动速度为每次一个像素时

Zero Padding(补零)：卷积运算后，图片会越来越小，而且还会损失资料周围的资讯。可在图片外围补零，即可让输入与输出的图片尺寸相同。

Dropout层：在步新增训练资料的情况下，对抗Overfitting的方法。随机选择10~80%之间的输入资料，将数值设为0。有点像是银行柜檯常常在换人，避免产生共犯结构，进而出现金融犯罪。Dropout就是在打断多个神经元之间的共适性，建立出泛化性更佳的预测模型。

卷积神经网路考量的几个要点：